Диссертация (1152468), страница 22
Текст из файла (страница 22)
В частности, доходностисоветника ТС1 для валютных пар USDJPY, EURUSD и USDRUB за 2017 годсоставили 24,3%, 20,3% и 17,9% при затраченных 12 ед. начального капиталасоответственно, в свою очередь, среднегодовые доходности ТС1 для аналогичныхпар за период предыдущих пяти лет, с 2012 по 2016 год, оказались равны 16,3%,14,5% и 12,8% соответственно.В качестве основных итогов данного параграфа необходимо отметитьследующие:1. Предложенапринципиальнаясхемаосновныхэтаповпостроениявычислительной логики автоматизированных торговых систем, использующих, вчастности, прогнозные экономико-математические модели регрессионного типа.2.
Были созданы три автоматизированных торговых системы ТС1, ТС2 иТС3, реализующие соответственно прогнозную логику предложенной в параграфе2.2 экономико-математической модели, логику использования классическихинструментов технического анализа и традиционную стратегию работы нафинансовых рынках, сводящуюся к тому, чтобы купить дешевле, а продатьдороже.
Все созданные системы были обучены с помощью наилучших способовобучения, эффективность которых, зависящая от выбора ветви в предложеннойпринципиальной схеме, будет показана в следующем параграфе 3.2.3. НаплатформеMT4проведенотестированиеэкономическихвозможностей систем на исторических данных валютных пар USDJPY, USDRUBи EURUSD за период с 2012 по 2017 год с использованием международноговалютного рынка FOREX и смежного с ним рынка бинарных опционов.1324. Итогомтестированияявляетсяподтвержениефинансовойрезультативности советника ТС1, основанного на предложенной в параграфе 2.2экономико-математическоймодели,превышающейаналогичныерезультативности советников ТС2 и ТС3, реализующих классические принципыторговли на финансовых рынках.3.2 Разработка процедур обучения автоматизированных торговых систем,обеспечивающих их наилучшую результативностьВ предыдущем параграфе была проведена разработка автоматизированнойсистемы на базе платформы MT 4, позволяющей совершать торговые операции нарассмотренном международном валютном рынке FOREX и смежном с ним рынкебинарных опционов, руководствуясь прогнозами одной из построенных впараграфе 2.2 экономико-математических моделей и используя предложенныйметод первоначальной агрегации рыночных данных.
Настоящий параграфпосвящен разработке процедур обучения подобных систем на историческихданных,обеспечивающихнаилучшуюрезультативностьихреальногопрактического использования.В предыдущем параграфе также была предложена принципиальная схемаосновных этапов построения вычислительной логики автоматизированныхторговых систем на основе любых прогнозных математических моделей, в томчисле регрессионного типа. Конечным итогом каждой ветви данной схемыявлялся выбор горизонта прогнозирования, который, в свою очередь, определялобласти применения создаваемого советника в соответствии с их экономическойцелесообразностью. Представленный советник ТС1 был протестирован как наограниченном, так и неограниченном горизонтах прогнозирования, выборкоторых определял использование конкретного подхода к оптимизации данного133советника.
Настоящий параграф посвящен определению наиболее подходящихпутей оптимизации торговых советников [11, с. 107-184; 32, с. 139-146; 38, с. 119144], на примере ТС1, позволяющих им демонстрировать наилучшие финансовыерезультаты в зависимости от выбора горизонта прогнозирования. Представленныедалее результаты были использованы для оптимизации всех разработанныхсоветников.В Приложении Н приведена иллюстрация процесса запуска оптимизациисоветников и последующего анализа сценарного спектра, содержащего различныекомбинации оптимизируемых параметров. Каждый сценарий позволяет получатьна данных тестового множества результаты для следующих показателей(представленных в порядке их следования в MT 4): «прибыль», «количествосделок», «прибыльность», «матожидание», «просадка» и «просадка в %». Срединих «прибыль», «матожидание» и «просадка» измеряются в долларах США.Данные показатели можно сортировать как по возрастанию, так и по убыванию.Для проведения оптимизации и последующего получения сценарного спектра,помимо выбора входных оптимизируемых параметров модели, также являетсянеобходимым выбор целевой функции оптимизации для генетического алгоритмаMT 4.
Список данных функций проиллюстрирован в Приложении Н и состоит изследующих (написанных на английском языке согласно представлению в MT 4):«balance»(баланс),«profitfactor»(прибыльность),«expectedpayoff»(матожидание), «maximal drawdown» (максимальная просадка), «drawdownpercent» (просадка в %) и «custom» (пользовательский).
Последний параметр«custom» позволяет использовать заложенный в MT4 генетический алгоритм длязаданных пользователем критериев оптимизации, что представляет собойнеограниченную область для изучения. Вследствие этого, для дальнейшегоанализа будут использованы исключительно заложенные в MT4 оригинальныецелевые функции. Также, важным выбором, влияющим на качество получаемыхрезультатов, является задание критерия направления совершаемых сделок –«позиция».
Данный показатель может быть установлен как: «only long», «only134short» или «long & short», что соответствует открытию позиций только напокупку, только на продажу или на покупку и продажу одновременно.Важнейшим критерием, влияющим на выбор принципов оптимизации,является постановка предъявляемых к советнику требований, или, другимисловами, определение того, что будет являться наилучшим результатом. Для всехпоследующих исследований критерием качества получаемых результатов будетявляться размер положительной чистой прибыли, выражаемой в долларах нанеограниченном горизонте, и размер положительного дохода E (3.1) наограниченном горизонте, получаемые советником на реальных тестовых данных,не участвующих в обучающем множестве.Для решения задачи оптимизации советников с ограниченным горизонтомпрогнозированиябудутисследованывозможностисоветникаТС1,спредварительным одновременным присвоением его параметрам CMechanism иFHorizon единичных значений так, как это проиллюстрировано в Приложении Н.Так как общие принципы оптимизации не зависят от выбора финансового рынка,поэтому дальнейший анализ будет проведен на примере только валютной парыUSDJPY.
В качестве начальных настроек оптимизации будут установленыследующие: позиция – «long & short», целевая функция – «maximal drawdown»,размер спреда – 0,01, таймфрейм – 30 минут. С принципом установки диапазонавариации оптимизируемых коэффициентов советника ТС1, а также с порядкомвыбора целевой функции оптимизации в платформе MT4 можно ознакомиться спомощью иллюстраций в Приложении Н. В качестве обучающего множествабудут использованы исторические данные рынка USDJPY за три различныхпериода 2017 года: 10 месяцев (начиная с 1 января), 3 месяца (начиная с 1 августа)и 1 месяц (октябрь). Последующее тестирование проводилось на ноябрьскихзначениях USDJPY, начиная с 01.11.2017 по 30.11.2017.После завершения процесса оптимизации получаемый сценарный спектрбыл последовательно отсортирован по следующим трем представляющимнаибольший экономический интерес показателям: прибыль, прибыльность и135математическое ожидание.
После сортировки по каждому из данных показателейбыли рассмотрены по 10 сценариев с отличающимися значениями прибыли.Данные сценарии были использованы для последующего применения советникаТС1 на данных тестового множества. Суммарно тестирование ТС1 былопроведено для 30 различных сценариев, принадлежащих каждому из трехпериодов обучения. Полученные результаты, представленные в Приложении П,состоят из трех таблиц, каждая из которых содержит по 10 сценариев для 3описанных выше параметров сортировки.
Сценарии, позволившие получитьположительный доход E (3.2) на тестовом множестве, отсортированы поубыванию E и приведены ниже, в таблицах 3.2 – 3.4. Во всех приведенных далеетаблицах, а также в тех, что вынесены в соответствующие приложения,используетсявеличина,обозначаемаясловом«баланс»иотражающаясоотношение размера чистой прибыли к максимальной просадке счета. Даннаявеличина реализованна в программных кодах всех разработанных советников, втом числе ТС1, в виде выводимого в платформе MT4 пользовательского столбцасортировки сценариев и уже была отмечена ранее в параграфе 3.1.Представленные в таблице 3.2 результаты свидетельствуют о том, что приобучении системы на десяти месяцах оказалось всего лишь шесть сценариев,позволивших получить положительный доход E на данных тестового множества.Таблица 3.2 – Сценарии, позволившие получить положительный доход E приобучении на 10 месяцах*Обучающее множество (01.01.17 – 31.10.17)МетодПрибыль, Просадка,Баланссортировкидолл.долл.ПрибыльПрибыльПрибыльПрибыльПрибыльПрибыль21,7919,4018,9621,1218,5020,969,535,303,006,274,037,502,293,666,323,374,592,79 Источник: Составлено авторомТестовое множество (01.11.17 – 30.11.17)ЧислоВерныеДоход E, ед.сделокпрогнозы, %74463585,71100,00100,0083,33100,0080,004,403,603,603,502,702,60136Таблица 3.3 – Сценарии, позволившие получить положительный доход E приобучении на 3 месяцах*Обучающее множество (01.08.17 – 31.10.17)МетодПрибыль, Просадка,Баланссортировкидолл.долл.Прибыль32,3913,662,37Прибыль24,6917,261,43Прибыльность1,700,394,36Матожидание1,050,00–Матожидание2,090,00–Матожидание2,330,00–Матожидание1,700,394,36Прибыльность2,530,2510,12Матожидание1,280,00–Прибыльность2,660,2510,64Прибыльность2,580,2510,32Прибыльность2,430,259,72Прибыльность2,780,2511,12Прибыль32,357,704,20Тестовое множество (01.11.17 – 30.11.17)ЧислоВерныеДоход E, ед.сделок прогнозы, %20553,664,0129253,082,492100,001,802100,001,802100,001,802100,001,802100,001,80475,001,701100,000,90366,670,80366,670,80366,670,80560,000,705352,830,20 Источник: Составлено авторомПолученные результаты свидетельствуют о том, что при обучении системына трех месяцах оказалось возможным увеличить число сценариев, позволившихполучить положительный доход E на данных тестового множества, до 14.
В своюочередь, как можно видеть из данных следующей таблицы 3.4, аналогичноеобучение системы за период, равный по длительности периоду тестовогомножества, позволило довести число «положительных» сценариев до 19.Таблица 3.4 – Сценарии, позволившие получить положительный доход E приобучении на 1 месяце*Обучающее множество (01.10.17 – 31.10.17)МетодсортировкиПрибыльПрибыльПрибыльПрибыль,долл.11,5913,909,39Просадка,долл.8,075,416,58Баланс1,442,571,43Тестовое множество (01.11.17 – 30.11.17)Числосделок267285280Верныепрогнозы, %56,1855,4455,36Доход E, ед.18,0015,2114,52137Продолжение таблицы 3.4Обучающее множество (01.10.17 – 31.10.17)МетодсортировкиПрибыльМатожиданиеПрибыльностьПрибыльностьМатожиданиеПрибыльПрибыльностьМатожиданиеМатожиданиеПрибыльПрибыльностьМатожиданиеПрибыльностьПрибыльностьПрибыльностьМатожиданиеПрибыль,долл.17,194,343,624,054,0511,82,472,272,479,544,284,280,831,182,982,98Просадка,долл.7,670,210,180,180,183,880,180,180,188,070,180,180,050,050,180,18Баланс2,2420,6720,1122,5022,503,0413,7212,6113,721,1823,7823,7816,6023,6016,5616,56Тестовое множество (01.11.17 – 30.11.17)Числосделок3181813151521310101020515154399Верныепрогнозы, %54,7272,2276,9273,3373,3353,9980,0080,0080,0053,6666,6766,67100,0066,6755,5655,56Доход E, ед.12,626,706,005,905,905,505,205,205,204,014,004,003,600,800,500,50 Источник: Составлено авторомПредставленные результаты позволяют сделать следующие выводы:1) с ростом объема обучающего множества относительно объема тестовогомножества снижается число возможных сценариев, позволяющих получитьположительный доход E;2) максимально возможный доход E принадлежит области минимальныхзначений баланса (вычисляется как отношение прибыли к просадке).
Данноенаблюдениеопровергаетустоявшеесямнение(вопределеннойсредеразработчиков торговых советников) о том, что для получения большей прибыли,необходимо выбирать сценарий с максимальным значением баланса;3) максимально возможный доход E достигается для сценариев, получаемыхпри сортировке по показателю «прибыль»;4) для сценариев, отсортированных по показателю прибыли, максимальновозможный доход E получается для значения баланса, следующего повозрастанию после минимального. В случае, если данное значение отличается отминимального не более чем на 0,01, то рассматривается следующий по138возрастанию баланса сценарий.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
